来源：博客链接
过去两年，开源 AI 社区一直在热烈讨论新 AI 模型的开发。每天都有越来越多的模型在 Hugging Face 上发布，并被用于实际应用中。然而，开发者在使用这些模型时面临的一个挑战是模型格式的多样性。
在本文中，我们将探讨当下常见的 AI 模型格式，包括：
- GGUFPyTorchSafetensorsONNX
我们将分析每种格式的优缺点，并提供使用建议，帮助你选择最适合的格式。
GGUF
GGUF 最初是为 llama.cpp 项目开发的。GGUF 是一种二进制格式，旨在实现快速的模型加载和保存，并易于阅读。模型通常使用 PyTorch 或其他框架开发，然后转换为 GGUF 格式以与 GGML 一起使用。
随着时间的推移，GGUF 已成为开源社区中共享 AI 模型最流行的格式之一。它得到了许多知名推理运行时的支持，包括 llama.cpp、ollama 和 vLLM。
目前，GGUF 主要用于语言模型。虽然也可以将其用于其他类型的模型，例如通过 stable-diffusion.cpp 实现的扩散模型，但这并不像在语言模型中的应用那样普遍。
GGUF 文件包含以下部分：
- 一个以键值对组织的元数据部分。该部分包含有关模型的信息，例如其架构、版本和超参数。一个张量元数据部分。该部分包括模型中张量的详细信息，例如它们的形状、数据类型和名称。最后，一个包含张量数据本身的部分。
GGUF 格式和 GGML 库还提供了灵活的量化方案，能够在保持良好精度的同时实现高效的模型存储。一些最常见的量化方案包括：
Q4_K_M：大多数张量被量化为 4 位，部分张量被量化为 6 位。这是最常用的量化方案。IQ4_XS：几乎所有张量都被量化为 4 位，但借助重要性矩阵。该矩阵用于校准每个张量的量化，可能在保持存储效率的同时提高精度。IQ2_M：类似于 IQ4_XS，但使用 2 位量化。这是最激进的量化方案，但在某些模型上仍能实现良好的精度。它适用于内存非常有限的硬件。Q8_0：所有张量都被量化为 8 位。这是最不激进的量化方案，提供几乎与原始模型相同的精度。
GGUF 格式的 Llama-3.1 8B 模型示例，链接在此
让我们回顾一下 GGUF 的优缺点：
- 优点：
- 简单：单文件格式易于共享和分发。快速：通过与
mmap() 的兼容性实现模型的快速加载和保存。高效：提供灵活的量化方案。便携：作为一种二进制格式，无需特定库即可轻松读取。- 大多数模型需要从其他格式（如 PyTorch、Safetensors）转换为 GGUF。并非所有模型都可转换。部分模型不受 llama.cpp 支持。模型保存为 GGUF 格式后，修改或微调并不容易。
GGUF 主要用于生产环境中的模型服务，其中快速加载时间至关重要。它也用于开源社区内的模型共享，因为其格式简单，便于分发。
有用资源：
PyTorch (.pt/.pth)
.pt/.pth 扩展名代表 PyTorch 的默认序列化格式，存储包含学习参数（权重、偏置）、优化器状态和训练元数据的模型状态字典。
PyTorch 模型可以保存为两种格式：
- .pt：此格式保存整个模型，包括其架构和学习参数。.pth：此格式仅保存模型的状态字典，其中包括模型的学习参数和一些元数据。
PyTorch 格式基于 Python 的 pickle 模块，该模块用于序列化 Python 对象。为了理解 pickle 的工作原理，让我们看以下示例：
import picklemodel_state_dict = { "layer1": "hello", "layer2": "world" }pickle.dump(model_state_dict, open("model.pkl", "wb"))The pickle.dump() 函数将 model_state_dict 字典序列化并保存到名为 model.pkl. 的文件中。输出文件现在包含字典的二进制表示:
model.pkl hex view
要将序列化的字典加载回 Python，我们可以使用 pickle.load() 函数:
import picklemodel_state_dict = pickle.load(open("model.pkl", "rb"))print(model_state_dict)如你所见，pickle 模块提供了一种简单的方法来序列化 Python 对象。然而，它也有一些局限性：
- 安全性：任何东西都可以被 pickle，包括恶意代码。如果序列化数据未经过适当验证，这可能会导致安全漏洞。例如，Snyk 的这篇文章解释了 pickle 文件如何被植入后门。效率：它不支持延迟加载或部分数据加载。这可能导致在处理大型模型时加载速度慢和内存使用率高。可移植性：它是特定于 Python 的，这使得与其他语言共享模型变得具有挑战性。
如果你仅在 Python 和 PyTorch 环境中工作，PyTorch 格式可能是一个合适的选择。然而，近年来，AI 社区一直在转向更高效和安全的序列化格式，例如 GGUF 和 Safetensors。
有用资源：
Safetensors
由 Hugging Face 开发的 safetensors 解决了传统 Python 序列化方法（如 PyTorch 使用的 pickle）中存在的安全性和效率问题。该格式使用受限的反序列化过程来防止代码执行漏洞。
一个 safetensors 文件包含：
注意：虽然在理论上元数据可以保存在文件中，但在实践中，模型元数据通常存储在一个单独的 JSON 文件中。这既可能是优点也可能是缺点，具体取决于使用场景。
safetensors 格式是 Hugging Face 的 transformers 库使用的默认序列化格式。它在开源社区中广泛用于共享、训练、微调和部署 AI 模型。Hugging Face 上发布的新模型都以 safetensors 格式存储，包括 Llama、Gemma、Phi、Stable-Diffusion、Flux 等许多模型。
有用资源：
ONNX
开放神经网络交换（Open Neural Network Exchange，ONNX）格式提供了一种与供应商无关的机器学习模型表示方法。它是 ONNX 生态系统 的一部分，该生态系统包括用于不同框架（如 PyTorch、TensorFlow 和 MXNet）之间互操作的工具和库。
ONNX 模型以 .onnx 扩展名的单个文件保存。与 GGUF 或 Safetensors 不同，ONNX 不仅包含模型的张量和元数据，还包含模型的计算图。
在模型文件中包含计算图使得在处理模型时具有更大的灵活性。例如，当发布新模型时，你可以轻松地将其转换为 ONNX 格式，而无需担心模型的架构或推理代码，因为计算图已经保存在文件中。
ONNX 格式的计算图示例，由 Netron 生成
- 优点：
- 灵活性：在模型文件中包含计算图使得在不同框架之间转换模型时更加灵活。可移植性：得益于 ONNX 生态系统，ONNX 格式可以轻松部署在各种平台和设备上，包括移动设备和边缘设备。
- 对量化张量的支持有限。ONNX 本身不支持量化张量，而是将它们分解为整数张量和比例因子张量。这可能导致在处理量化模型时质量下降。复杂架构可能需要为不支持的层使用操作符回退或自定义实现。这可能会在将模型转换为 ONNX 格式时导致性能损失。
总体而言，如果你正在处理移动设备或浏览器内推理，ONNX 是一个不错的选择。
有用资源：
硬件支持
在选择模型格式时，重要的是要考虑模型将部署在哪种硬件上。下表显示了每种格式的硬件支持建议：
| 硬件 | GGUF | PyTorch | Safetensors | ONNX |
|---|---|---|---|---|
| CPU | ✅ (最佳) | 🟡 | 🟡 | ✅ |
| GPU | ✅ | ✅ | ✅ | ✅ |
| 移动设备部署 | ✅ | 🟡 (通过 executorch) | ❌ | ✅ |
| Apple 芯片 | ✅ | 🟡 | ✅ (通过 MLX 框架) | ✅ |
说明：
- ✅: 完全支持🟡: 部分支持或性能较低❌: 不支持
结论
在本文中，我们探讨了当今使用的一些常见 AI 模型格式，包括 GGUF、PyTorch、Safetensors 和 ONNX。每种格式都有其自身的优缺点，因此根据具体的用例和硬件需求选择合适的格式至关重要。
脚注
mmap：内存映射文件是一种操作系统功能，允许将文件映射到内存中。这对于在不将整个文件加载到内存中的情况下读写大文件非常有益。
延迟加载（lazy-loading）：延迟加载是一种技术，它将数据的加载推迟到实际需要时。这有助于在处理大型模型时减少内存使用并提高性能。
计算图（computation graph）：在机器学习的上下文中，计算图是一种流程图，展示了数据如何通过模型流动以及每一步如何执行不同的计算（例如加法、乘法或激活函数的应用）。
英文原文: blog.ngxson.com/common-ai-m…
原文作者: Xuan Son Nguyen
译者: Adeena
